Ultralytics YOLOv5#

Обзор#

YOLOv5u представляет собой шаг вперед в методологиях object detection. Основанная на базовой архитектуре модели YOLOv5, разработанной Ultralytics, модель YOLOv5u объединяет раздельную «голову» (split head) без использования фиксированных анкоров и оценки предметности (objectness), функция, которая ранее была представлена в моделях YOLOv8. Эта адаптация совершенствует архитектуру модели, обеспечивая улучшенный баланс точности и скорости в задачах обнаружения объектов. Учитывая эмпирические результаты и унаследованные функции, YOLOv5u представляет собой эффективную альтернативу для тех, кто ищет надежные решения как в исследованиях, так и в практических применениях.

Ключевые особенности#

• Безанкорная разделенная голова Ultralytics: Традиционные модели обнаружения объектов полагаются на предопределенные anchor box для предсказания местоположения объектов. Однако YOLOv5u модернизирует этот подход. Используя безанкорную разделенную голову Ultralytics, она обеспечивает более гибкий и адаптивный механизм обнаружения, что повышает производительность в разнообразных сценариях.

• Оптимизированный баланс точности и скорости: Скорость и точность часто направлены в противоположные стороны. Но YOLOv5u бросает вызов этому компромиссу. Она предлагает выверенный баланс, обеспечивая обнаружение в реальном времени без ущерба для точности. Эта функция особенно бесценна для приложений, требующих молниеносной реакции, таких как autonomous vehicles, robotics и видеоаналитика в реальном времени.

• Разнообразие предобученных моделей: Понимая, что для разных задач нужны разные инструменты, YOLOv5u предоставляет множество предобученных моделей. Независимо от того, занимаешься ли ты инференсом, валидацией или обучением, тебя ждет специально подготовленная модель. Такое разнообразие гарантирует, что ты используешь не универсальное решение, а модель, точно настроенную под твою уникальную задачу.

Поддерживаемые задачи и режимы#

Модели YOLOv5u с различными предобученными весами превосходно справляются с задачами Object Detection. Они поддерживают широкий спектр режимов, что делает их пригодными для самых разных задач — от разработки до развертывания.

В этой таблице представлен подробный обзор вариантов моделей YOLOv5u, в котором указаны их применимость в задачах обнаружения объектов и поддержка различных рабочих режимов, таких как Inference, Validation, Training и Export. Такая всесторонняя поддержка гарантирует, что ты сможешь в полной мере использовать возможности моделей YOLOv5u в самых разных сценариях обнаружения объектов.

Метрики производительности#

Примеры использования#

В этом примере приведены простые примеры обучения и инференса YOLOv5. Полную документацию по этим и другим modes смотри на страницах документации Predict, Train, Val и Export.

from ultralytics import YOLO

# Load a COCO-pretrained YOLOv5n model
model = YOLO("yolov5n.pt")

# Display model information (optional)
model.info()

# Train the model on the COCO8 example dataset for 100 epochs
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Run inference with the YOLOv5n model on the 'bus.jpg' image
results = model("path/to/bus.jpg")

Цитирование и благодарности#

Если ты используешь YOLOv5 или YOLOv5u в своих исследованиях, пожалуйста, ссылайся на репозиторий Ultralytics YOLOv5 следующим образом:

@software{yolov5,
  title = {Ultralytics YOLOv5},
  author = {Glenn Jocher},
  year = {2020},
  version = {7.0},
  license = {AGPL-3.0},
  url = {https://github.com/ultralytics/yolov5},
  doi = {10.5281/zenodo.3908559},
  orcid = {0000-0001-5950-6979}
}

Обрати внимание, что модели YOLOv5 предоставляются на условиях лицензий AGPL-3.0 и Enterprise.

FAQ#